CVPRJun, 2024

超越谎言：使用二进制神经网络的实时深假识别

PDF
TL;DR采用二进制神经网络（BNNs）进行实时图像深伪造检测，以提高效率并取得较高准确率，在频域和纹理域探测操纵痕迹，性能优于现有方法，并显著减少运算量。
deepfake detectionbinary neural networksfast fourier transformlocal binary patternefficiency gain
发现论文，激发创造
  • 利用 MLP 和 LSTM 的混合式 Deepfake 检测

    该研究提出了使用两个深度学习算法（LSTM 和 MLP）的新 deepfake 检测模型，并使用 140k 真实和虚假面孔数据集评估其在检测 deepfake 图像中的表现，最高可达 74.7% 的准确率。

    Apr, 2023

  • 卷积神经网络与 Transformer 在深度学习中的 Deepfake 侦测

    本文研究深度学习架构 (CNNs 和 Transformers) 的演进，设计和开发了深度伪造检测模型，并在深度伪造数据集上进行了实验，取得了较高的准确率和 AUC，并分析了不同深度伪造数据集之间的关系。

    Apr, 2023

  • 深度学习方法检测深度伪造内容综述

    本文通过深度学习方法，系统地回顾了近年来深度伪造内容识别的研究，并报告了对于未解决的深伪造检测问题和不足之处的未来方向。

    Feb, 2022

  • 利用深度学习方法进行深度伪造检测：综述

    本论文旨在探讨不同的方法学以实现具有更高准确度的低成本模型，以检测 Deepfake，并解决数据集的泛化问题。

    Apr, 2023

  • 审判法院深度伪造检测综述

    本文简要介绍了图像处理、深度伪造技术以及用于检测这些技术的方法和数据集。

    May, 2022

  • 将 EfficientNet 和 Vision Transformers 相结合用于视频深度伪造检测

    本文旨在解决视频深度伪造检测的问题，特别注重于面部深度伪造，他们利用效率较高的特征提取器与各种 Vision Transformer 结合进行实验，得出的最佳模型 AUC 为 0.951，F1 得分为 88.0％.

    Jul, 2021

  • 使用生物特征进行 Deepfake 检测：一项调查

    探讨 Deepfake 技术的历史、发展和检测，并议论了基于生理测量（如眉毛识别、眨眼检测、眼动检测、耳朵和口部检测、心跳检测等）的挑战，同时提出了各种不同的生物特征及分类器比较，并对 GANs 模型的检测方法进行了综述。

    Jan, 2023

  • 一款探测器，称霸所有：通向通用深度伪装攻击检测框架

    通过引入卷积 LSTM 残差网络（CLRNet）并探索深度伪造（DeepFake）中的时空信息，我们提出了一种更通用的方法来检测由多种方法产生的深度伪造，包括 DeepFake-in-the-Wild（DFW），此方法在多个基准数据集上表现良好并进行了评估。

    May, 2021

  • 利用双神经网络操作的个性化深伪检测

    通过使用有关个体公众人物身份的信息，利用神经网络的幂等性属性，我们提出了一种改进深度伪造图像检测方法，并使用自行策划的包含 45 个公众人物的数据集进行实验，结果表明方法有效性提高，检测性能提高了，AUC 值从 0.92 提高到 0.94，并且其标准差减少了 17%。

    Dec, 2023

  • 多重注意力深度伪造检测

    本文提出了一个新的多注意力深度伪造检测网络，该网络通过引入区域独立的损失和基于注意力的数据增强策略来解决学习难度问题，并在多个数据集上展示了该方法在检测深度伪造方面的优越性。

    Mar, 2021